基于CEEMD的滚动轴承振动信号自适应降噪方法

针对滚动轴承故障特征信号容易被噪声掩盖难以提取的问题,提出了基于互补集合经验模态分解(CEEMD)的滚动轴承振动信号自适应降噪方法。为了准确判定噪声分量和有用信号分量的分界点,在对振动信号进行CEEMD分解后,设计了依据信噪分量自相关函数的单边波峰宽度特性自适应地判定分界点的方法。为了保证重构信号的完整性,利用改进的小波阈值降噪方法提取低频IMF分量中的高频有效信息。实验分析表明,结合改进阈值函数的CEEMD自适应降噪方法能够有效地去除故障振动信号中夹杂的噪声,并且很好地保留了滚动轴承振动信号的突变细节,达到了不错的降噪效果。     

基于组合神经网络的柴油机振动信号预测

根据柴油机振动信号的特性，使其在相空间里重构，再应用组合神经网络，对柴油机振动信号进行拟合和预测。该组合神经网络是一个两级系统，第一级有两个神经网络的预报——一个多目标前馈网络和一个函数耦合神经网络，用模糊反向传播算法进行训练；第二级是由第一级产生的两个预测结果混合得到的组合模型，采用Karmarkar的线性规划算法进行训练。实际应用证明了该方法的有效性。     

基于主分量分析的柴油机振动信号特征提取

针对柴油机振动信号非线性非平稳性的特点，提出一种相空间重构理论、局域波法与主分量分析相结合的信号特征提取模型，该模型首先应用相空间重构理论从已知时间序列中抽取动力系统，然后通过主分量提取以降低空间维数、突出故障信息，最后使用局域波时频分析方法对提取的主分量进行分析。通过对6BB1型柴油机实测信号进行的特征提取与分析表明，该方法能去除柴油机振动信号局域波时频图中的冗余信息，突出故障信息，从而证明了方法的有效性。     

基于自适应CEEMD的非平稳信号分析方法

由于标准的互补集总经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)在处理模态混叠问题时缺乏自适应性,其本质是分解信号获得的本征模态函数(intrinsic mode function,简称IMF)之间产生了一定的信息耦合现象,使IMF分量不能正确地反映信号的真实成分。因此,提出了在使用CEEMD分解信号的过程中嵌入网格搜索算法(grid search algorithm,简称GSA),以最小二乘互信息(least squares mutual information,简称LSMI)为网格搜索算法的适应度函数,构造一个自适应CEEMD方法。该算法通过自适应地搜索最佳的白噪声幅值,修正信号分解过程中产生的少量的耦合频率成分,确保每个IMF分量之间信息的正交性,以进一步抑制模态混叠问题。最后,通过仿真实验验证了该方法的有效性,并将该方法用于提取滚动轴承微故障的特征频率。实验结果表明,该算法在滚动轴承的微故障特征提取应用中具有更少的迭代数、IMF分量以及相对更小的计算量。     

基于匹配追踪的齿轮箱耦合调制振动信号分离方法研究

故障齿轮箱的振动信号通常耦合着稳态调制和冲击调制成分。信号稀疏表示的成功应用表明了它对特征提取的有效性,但主要集中在冲击成分的提取,而忽略了稳态调制成分,且设计的字典没有明确的物理意义,通用性较差。提出一种新的基于匹配追踪的齿轮箱耦合调制信号分离方法。设计的基于幅值调制谐波原子的稳态调制字典和基于单自由度冲击响应原子的冲击调制字典,融合了齿轮箱运行工况参数和结构特征,物理意义明确,通用性广。仿真和试验验证了该方法在强噪声背景下和混合调制成分完全耦合情况下的有效性。通过幅值系数恢复,可有效改进匹配追踪算法的过匹配问题。     

航空发动机振动信号ICA分离方法的研究

研究了基于独立分量分析(independent component analysis,ICA)的发动机转子振动信号分离方法,目的是对转子振动的混叠信号进行分离。首先,研究独立分量分析方法中Infomax方法和Fast ICA方法对混叠信号的分离效果;然后利用LABVIEW信号采集系统采集转子的振动信号,实现从混叠信号中分离源信号,并分别对转子的不对中和碰摩两种工作状态的转子振动信号进行分离测试,验证了该方法的适用性和有效性。     

柴油机振动信号特征提取与故障诊断

柴油机的振动对于判断柴油机的工作性能有很重要的作用,所以要对柴油机的振动所发出的信号进行特征分析。而想要了解到柴油机的振动信号的特征就要对信号中的信息进行采集,所要用到数据采集系统来采集信息,故对信号的故障提取主要的工作就是对信号的采集、分析、处理。通常对信号的处理的方法有频域,时域,时频分析法。本文就是通过对柴油机振动信号特征提取与故障诊断,让我们更深地了解柴油机。     

柴油机缸盖振动信号典型特征提取

针对柴油机缸盖振动信号信噪比低且呈非平稳特性,提取柴油机振动信号的典型特征。通过分析缸盖在不同时刻受到的激振,判断汽缸各个部件的工作情况;提取信号振动烈度,并分析烈度与柴油机转速的变化关系,为柴油机的在线控制和故障诊断提供依据。     

基于振动信号的减速器故障诊断方法

基于经典振动分析方法 ,总结了减速器3类常见故障(轴故障、齿轮故障、轴承故障)在振动方面的特征。利用Matlab数据处理和信号分析功能,采用时域分析、相关分析、频域分析、时频分析等方法,结合已知的减速器基本参数,从不同角度挖掘信号中的故障信息,进行故障推断,并以案例的形式介绍了对某型门座起重机起升机构减速器故障诊断的具体执行过程,得出诊断结果。对该机减速器故障诊断的研究,能弥补其状态监测与故障诊断的不足,保证其运行的安全高效性,提升设备管理水平。     

基于最大信噪比的潜艇振动信号盲分离算法

为解决复杂多信号源的振动信号处理难题,提出了一种基于最大信噪比的盲分离算法,对振动源信号进行分离提纯,然后对分离的各个信号进行后续处理的盲源分离技术.在介绍盲分离技术的基础上,采用基于最大信噪比的盲分离算法对分离效果进行了仿真.仿真结果表明,采用该方法在无需任何先验知识的情况下,可以很好地分离出各振动源信号,为后续的信号处理(如分析识别、减振降噪等)奠定了基础.     

基于MBLMS算法的内燃机振动信号盲源分离

应用Gray＇s变量准则作为代价函数，研究了基于源信号非高斯性的多通道盲最小均方差算法。针对实际应用，生成3路卷积混合信号进行盲源分离，分离信号与源信号相比，除幅值缩放和时间延迟外，其他信息基本得到了保留。在实测内燃机振动信号分离中，所得到的3个分离信号经过分析后确认为排气门落座、活塞撞击和进气阀落座产生的信号。仿真信号和实测内燃机振动信号的分离结果表明，多通道盲最小均方差是一种有效的盲源分离算法。     

基于CEEMD与小波阈值的机械密封声发射信号自适应降噪方法

针对机械密封声发射信号容易受到环境噪声干扰,难以有效地从背景噪声中分离的问题,提出将互补集合经验模态分解(CEEMD)与改进小波阈值降噪方法相结合的声发射信号自适应降噪方法。根据白噪声经经验模态分解(EMD)后其固有模态函数分量的能量密度与其平均周期的乘积为一常数的特性,自适应地判定CEEMD信噪分量的分界点;为避免小波原阈值函数的缺陷,应用改进小波阈值函数对高频IMF分量进行降噪处理,然后同其余的IMF分量进行信号重构,完成降噪过程。对仿真信号和采集的机械密封声发射信号的降噪结果,证明了该降噪方法的有效性和可行性。     

基于流形学习的柴油机振动故障诊断方法研究

船舶柴油机是一个复杂程度较高的系统,其复杂性的构造和工作原理增加了其产生故障症状的复杂性和故障诊断工作的困难性。一般情况下,船舶柴油机故障原因和故障预兆间呈现出一种错综复杂的非线性关系,且在各个参数间也存在较强的非线性和耦合性,所以,诊断船舶柴油机故障,往往是顺应船舶柴油的这一复杂性结构要求而采用非线性手段对其进行相应的故障诊断和状态监测。流形学习法就是这样一种方法。随着流形学习算法被广泛应用于机械故障诊断领域,其已成为我国模式识别研究领域中的一个热点问题。但目前,流形学习在柴油机故障诊断过程中的应用还存在一定缺陷。本文基于流形学习的基本理论原理进行探讨,并着重对流形学习法在船舶柴油机振动故障诊断方面的应用进行归纳和总结。     

基于振动信号的滚动轴承故障诊断方法综述

目前,国内外学者在滚动轴承故障诊断研究中大多数采用基于振动信号的数据驱动方法。在此对基于振动信号的信号分解、浅层机器学习和深度学习3类滚动轴承故障诊断方法总体技术路线进行了总结分析,指出了具体方法的实现路径和应用现状,尤其对深度学习方法应用中存在的2个问题(跨域和小样本)进行分析并总结了当前的解决思路。最后,对3类方法今后在工业应用中的趋势进行了展望。     

振动信号数值积分分析及积分误差分离方法研究

利用加速度传感器可以测试振动的加速度信号,再通过数值积分方法可以获得振动速度、位移,但随着测试时间增加数值积分存在积分误差迅速增大问题,致使速度、位移信号严重偏离实际结果。对数值积分误差进行分析,设计一种基于经验模态分解(EMD)的积分误差分离方法,可以有效解决这类问题,通过仿真和实验验证了本方法的有效性。     

基于CEEMD与IMCKD的滚动轴承故障诊断方法

针对滚动轴承故障冲击信号周期性强且易被强烈的背景噪声所淹没的特点,提出基于互补集合经验模态分解(CEEMD)与改进的最大相关峭度解卷积(IMCKD)的轴承故障诊断方法。首先,对采集到的信号进行CEEMD分解,利用峭度为准则筛选IMF分量进行信号的重构,再对重构信号进行最大相关峭度解卷积处理,实现信号的滤波降噪,最后,将滤波信号进行包络解调得到轴承的故障特征。通过轴承故障的仿真和实验研究,验证了该方法的有效性和可行性。     

基于谱峭度和CEEMD的滚动轴承声信号故障诊断研究

使用声信号来诊断轴承故障越来越受到重视.针对滚动轴承故障信号的强背景噪声特点,提出一种基于谱峭度和互补集合经验模态分解(CEEMD)的故障特征提取方法.该方法首先对滚动轴承声信号进行快速谱峭度计算并进行带通滤波预处理,使滚动轴承声信号变得简单且噪声小,故障冲击成分明显;然后利用CEEMD将滤波信号进行分解运算,得到一系...     

基于时域同步平均法的行星齿轮振动信号分离技术

基于某个特定的行星齿轮转过最小圈数后回到起始点这一特性,提出一种基于时域同步平均法的振动信号分离技术。由于实验采样时间较短,为了更快获取数据,根据行星齿轮啮合信号形状和齿宽,以及能量泄露小的特点,提出选择合适的窗函数—Tukeywin函数对信号进行加窗截取。选取窗宽为行星齿信号的一个齿宽,利用时域同步平均法对加窗信号进行相加平均,可提取到完整的行星齿轮信号。实验结果与对比分析表明,该方法简单且行之有效。     

车用柴油机机体振动信号采集与分析

车用柴油机工作时的激振力最终都汇集到柴油机的机体上,采用压电式加速度传感器对机体振动信号进行采集与分析,对柴油机在不同的进气门间隙、排气门间隙及喷油压力下的机体振动状态进行分析。采用小波分析法使得不太强的频率信号特征以显著的能量变化形式表现出来,可为柴油机不同工作状态的分析提供参考。     

基于解相关CEEMD的滚动轴承特征信号提取算法研究

近年来随着时频分析方法希尔伯特黄变换的提出,经验模态分解(Empirical Mode Decomposition,EMD)已经在滚动轴承信号处理中得到了应用。但不管EMD还是其改进的互补总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD),到目前为止依然都存在着模态混叠现象。为了实现特征信号的精确提取,需要对分解后产生模态混叠的部分予以修正,从而保证各固有模态函数(Intrinsic Mode Function,IMF)分量之间互不耦合(即正交)。针对这一问题提出了解相关与CEEMD相结合的算法。该方法首先运用CEEMD自适应分解的能力对信号进行细节的提取,然后对分解后依然存在的少量频率混叠部分利用解相关运算予以修正,实现对特征频率信号的提取,从而解决了频率混叠问题。通过仿真试验验证了该方法的有效性,并将该方法应用于旋转机械振动信号的特征频率成分的提取中,取得很好的效果。